移動醫(yī)療服務(wù)用戶健康信息披露意愿研究
——基于fsQCA和NCA的實(shí)證分析

胡小飛 陳進(jìn)亮

(南昌大學(xué)公共政策與管理學(xué)院，江西 南昌 330031)

移動醫(yī)療服務(wù)是一種由互聯(lián)網(wǎng)、無線設(shè)備和信息通信技術(shù)支持的新型醫(yī)療服務(wù)[1]，能夠擺脫時間和地域上的限制，并且在一定程度上解決醫(yī)療資源分配不平衡的問題。當(dāng)前仍在持續(xù)的新冠肺炎疫情需要人們保持社交距離以阻止病毒傳播，這極大地推動了消費(fèi)者、醫(yī)生和相關(guān)從業(yè)者對移動醫(yī)療服務(wù)的需求。根據(jù)MRFR預(yù)測，數(shù)字醫(yī)療市場將以22.5%的復(fù)合年增長率增長，并在預(yù)測期內(nèi)(2022—2030年)產(chǎn)生約7 677億美元的收入[2]。

盡管移動醫(yī)療服務(wù)在改善公共健康方面具有巨大的潛在優(yōu)勢，但是仍存在一些發(fā)展障礙(如患者信息披露意愿不足)，使其無法得到充分利用。已有的研究針對這些問題進(jìn)行了討論，并指出可能導(dǎo)致發(fā)展障礙的因素[3]，例如不合理的信息系統(tǒng)設(shè)計[4]、不可靠的健康建議[5]、披露信息的高敏感性[6]、擔(dān)心自身健康信息被不正當(dāng)使用而產(chǎn)生的隱私擔(dān)憂[7]等。但現(xiàn)有研究僅僅關(guān)注了這些因素產(chǎn)生的凈效應(yīng)，由因素間互相作用產(chǎn)生的條件組合效果以及信息披露意愿的必要影響因素是否存在，則存在一定研究空白。與此同時，以往通過構(gòu)建結(jié)構(gòu)方程模型來完成假設(shè)檢驗(yàn)的方法，僅適用于變量層面的凈效應(yīng)關(guān)系分析，而在移動醫(yī)療服務(wù)現(xiàn)實(shí)場景下，用戶做出信息披露決策面臨的環(huán)境更為復(fù)雜，往往受多要素組合影響，即使是組合效應(yīng)中的要素也并不一定單獨(dú)對結(jié)果造成影響；進(jìn)行組態(tài)分析能夠幫助移動醫(yī)療服務(wù)平臺了解不同場景下用戶產(chǎn)生健康信息披露意愿的復(fù)雜條件是什么，比如對于信息敏感度高的用戶是否需要滿足額外條件才能達(dá)到那些敏感度低的用戶同樣的披露意愿。這將有助于平臺制定不同的激勵政策，提升用戶滿意度。此外，對于平臺來說，需要明確是否存在決定性因素影響著用戶體驗(yàn)，而必要條件因其“一票否決”的作用要優(yōu)先于充分條件，能夠幫助平臺了解什么對于提升結(jié)果是必要的，必要條件分析方法的使用也為更加科學(xué)、全面地分析健康信息披露意愿提供了助益。

因此，本文基于精細(xì)加工可能性模型，從中樞路徑和邊緣路徑兩方面出發(fā)選取感知收益、感知風(fēng)險、信任、信息敏感性和隱私關(guān)注作為研究變量，應(yīng)用模糊集定性比較分析和必要條件分析方法進(jìn)行實(shí)證分析，來討論影響移動醫(yī)療服務(wù)用戶健康信息披露意愿的中樞和邊緣兩條不同路徑下的因素組合產(chǎn)生的路徑效應(yīng)如何以及必要影響因素是否存在。

1 文獻(xiàn)回顧與研究模型構(gòu)建

1.1 健康信息披露意愿

目前，國內(nèi)外已有學(xué)者對健康信息披露意愿或行為進(jìn)行研究。從理論層面來看，隱私計算理論在健康信息披露意愿研究中占據(jù)著主導(dǎo)地位[8]。與此同時，技術(shù)接受模型、計劃行為理論、社會交換理論等理論也常作為補(bǔ)充來豐富研究理論基礎(chǔ)。如張星等[9]通過集成隱私計算理論和計劃行為理論模型，認(rèn)為信息披露態(tài)度、知覺行為控制等因素影響著在線健康披露意愿；王瑜超等[10]通過探索感知收益對健康信息披露意愿的影響效應(yīng)來拓展隱私計算理論。此外，在健康信息披露行為研究中的“隱私悖論”現(xiàn)象也引起了許多學(xué)者關(guān)注，即患者對健康隱私的擔(dān)憂并未阻止患者的實(shí)際隱私披露行為。如Zhu M等[11]從隱私計算和隱私疲勞的角度，證實(shí)了移動醫(yī)療服務(wù)中隱私悖論的存在；朱光等[12]引入信息敏感性作為調(diào)節(jié)變量，發(fā)現(xiàn)其可以顯著降低隱私悖論的強(qiáng)度，從而從悖論消解的視角重新討論了信息披露行為的過程。

通過文獻(xiàn)回顧發(fā)現(xiàn)，以往研究多采用傳統(tǒng)的結(jié)構(gòu)方程模型來探究影響健康信息披露意愿因素的單一效應(yīng)，而因素間互相結(jié)合產(chǎn)生的組態(tài)是否對結(jié)果變量有影響還未有研究。此外，以往研究多討論結(jié)果變量存在的充分條件，而缺少是否存在變量是導(dǎo)致結(jié)果發(fā)生的必要條件的探究。在移動醫(yī)療服務(wù)場景下，當(dāng)某一條件不滿足時，患者就可能沒有披露自身健康信息的意愿，因此有必要對其展開研究。

1.2 精細(xì)加工可能性模型

精細(xì)加工可能性模型(Elaboration Likelihood Model，以下簡稱為ELM)，國內(nèi)也有學(xué)者稱作雙路徑模型，是美國心理學(xué)家Petty R E等[13]提出的社會心理學(xué)雙過程理論。ELM理論認(rèn)為，人們在形成信念和做出決定時可以花費(fèi)不同程度的認(rèn)知努力[14]。現(xiàn)有研究已經(jīng)證實(shí)，ELM為個人態(tài)度和行為的形成過程提供了很好的解釋，并為理解個人的決策過程提供了有用的框架[15]。ELM提出決策過程有兩條不同的路線：中樞路徑和邊緣路徑。中樞路徑是指個人對問題細(xì)節(jié)進(jìn)行縝密考慮，需要投入大量的精力對所有相關(guān)信息進(jìn)行高度精細(xì)的處理；而邊緣路徑指的是低精細(xì)處理，其進(jìn)行的信息處理常常依賴于簡單的線索，僅僅需要較少的認(rèn)知努力。因此，從中樞路徑得出的結(jié)論往往比從邊緣路徑得出的結(jié)論更穩(wěn)定和持久[16]。目前已有學(xué)者基于精細(xì)加工可能性模型討論了移動醫(yī)療服務(wù)場景下存在的隱私悖論問題和不同路徑下的因素如何影響患者健康信息的披露意愿[17]，但是兩條路徑是否存在交叉組合效應(yīng)仍未得到探究。同時，相關(guān)實(shí)證研究也證實(shí)了ELM在隱私問題領(lǐng)域具有很強(qiáng)的解釋力[18-19]。

1.3 研究模型構(gòu)建

感知風(fēng)險最早源自消費(fèi)心理學(xué)，是指消費(fèi)者在做出購買決策時所面對的不確定性，即不確定結(jié)果是否發(fā)生或結(jié)果發(fā)生是否會帶來危險，在隱私問題的研究中常指用戶對披露個人信息所帶來的潛在損失的感知[20]。在隱私計算模型中，感知收益指用戶對使用特定服務(wù)帶來的利益回報的預(yù)判[21]。用戶對風(fēng)險和收益的感知是通過對時間或經(jīng)濟(jì)等潛在損失和收益的綜合評估而來的[22]，在評估過程中，用戶希望自己仔細(xì)審視現(xiàn)有信息，以對可能的損失或收益進(jìn)行徹底和仔細(xì)的考慮[23]，這通常需要很高的認(rèn)知努力以及更多的精力。Dinev T等[24]認(rèn)為，信任是信息披露行為發(fā)生的前提條件，信任會使用戶相信服務(wù)提供商不會濫用他們的個人信息，可減輕用戶的隱私顧慮，增強(qiáng)其信息披露意愿。而當(dāng)信息披露行為發(fā)生時，用戶面臨的風(fēng)險和得到的收益會受信任的影響直至披露行為暫?；蚪Y(jié)束[25]。用戶對服務(wù)提供商建立信任的過程往往需要投入很多認(rèn)知努力，綜合考慮諸多因素來進(jìn)行高度精細(xì)的處理，比如仔細(xì)審視平臺提供的信息和服務(wù)的真實(shí)性、可用性等。因此，本文認(rèn)為用戶面臨信息披露決策時，感知到的風(fēng)險與收益以及信任是信息處理的中樞路徑，由中樞路徑產(chǎn)生的結(jié)果往往具有很強(qiáng)的說服力。

在信息科學(xué)領(lǐng)域，隱私關(guān)注常被視為隱私問題研究的核心衡量標(biāo)準(zhǔn)，隱私關(guān)注被概念化為互聯(lián)網(wǎng)用戶對個人信息的收集、收集信息的控制以及收集信息被平臺使用認(rèn)識的程度[26]。與感知收益和風(fēng)險不同，隱私關(guān)注與個體對預(yù)期損益的嚴(yán)格評估無關(guān)[27]。學(xué)者們普遍認(rèn)為，隱私關(guān)注就是用戶對隱私的認(rèn)知，很大程度上源于個人特征、在線服務(wù)體驗(yàn)等個人因素[19,26]，而且更多地依賴于外圍線索，不需要高度的認(rèn)知努力，是一種相對穩(wěn)定和內(nèi)化的隱私問題心理傾向[24]。此外，也有研究證實(shí)，隱私關(guān)注對實(shí)際披露行為沒有顯著影響[28]，即存在“隱私悖論”。信息敏感性是指用戶向平臺提供信息的敏感程度，醫(yī)療平臺用戶的病史、遺傳史等健康信息比一般信息更為私密和敏感，用戶更害怕健康敏感信息泄露[29]。已有研究發(fā)現(xiàn)，用戶披露個人信息的意愿很大程度上取決于該信息的敏感性[6,30]。判斷信息是否敏感對用戶來說是主觀意識上的，而且在判斷將要披露的信息是否敏感時，用戶不需要投入太多的認(rèn)知努力和精力，僅僅依賴直觀的判斷就能對信息進(jìn)行處理。因此，本文認(rèn)為產(chǎn)生隱私關(guān)注及判斷信息敏感性的過程是通過邊緣路徑進(jìn)行的，不需要對信息進(jìn)行高度精細(xì)的處理。而ELM認(rèn)為，邊緣變量只能產(chǎn)生暫時且不穩(wěn)定的影響，并且無法有效預(yù)測受影響的行為。

綜上所述，通過結(jié)合精細(xì)加工可能性模型和已有研究，文章認(rèn)為用戶使用移動醫(yī)療服務(wù)過程中產(chǎn)生的中樞路徑和邊緣路徑下的感知收益、感知風(fēng)險、信任、隱私關(guān)注及信息敏感性等變量共同影響著其健康信息披露意愿，研究模型如圖1所示。本文將探究兩個科學(xué)問題，即中樞路徑與邊緣路徑下的變量之間是否存在組合效應(yīng)以及哪些變量是結(jié)果存在的必要條件。

圖1 研究模型

2 研究設(shè)計

2.1 研究方法

定性比較方法(QCA)用于解決復(fù)雜因果問題，該方法以案例為導(dǎo)向，根據(jù)案例將條件組成不同的組態(tài)，來探究結(jié)果變量如何根據(jù)前因變量的組合變化而變化，突破了傳統(tǒng)研究方法中單個變量和結(jié)果之間的線性關(guān)系表達(dá)的局限，為變量間存在復(fù)雜關(guān)系且難以簡單驗(yàn)證影響效應(yīng)的研究提供了新思路[31]。QCA方法一般分為清晰集定性比較分析(csQCA)和模糊集定性比較分析(fsQCA)，csQCA一般適用于二分類數(shù)據(jù)變量問題，而fsQCA常用于連續(xù)性變量的分析[32]。因此，文章將采用fsQCA的方法來探究復(fù)雜因素間的不同組態(tài)如何對健康信息披露意愿產(chǎn)生影響。

必要條件分析(NCA)是一種用于識別和檢測數(shù)據(jù)中影響結(jié)果變量的必要非充分條件的研究方法，該方法彌補(bǔ)了傳統(tǒng)研究方法(回歸和相關(guān)分析)只關(guān)注充分條件而忽略必要條件的不足[33]。NCA方法通過繪制散點(diǎn)圖并觀察是否在散點(diǎn)圖左上方存在空白區(qū)域的方式來初步判斷必要條件的存在，同時將根據(jù)散點(diǎn)圖空白區(qū)域與整體區(qū)域的比值來表示必要條件的效應(yīng)值[33]。此外，NCA方法還引入了瓶頸表的概念，來表示結(jié)果變量達(dá)到預(yù)期給定水平結(jié)果所需的條件必需水平。盡管fsQCA方法也能識別必要條件，但僅限于從定性角度分析(即變量X是結(jié)果Y的必要條件)，而NCA方法不僅可以定量地體現(xiàn)必要條件的程度，而且能夠分析對Y的不同水平來說必要變量X所需要達(dá)到的水平[34]。特別的是，NCA方法和fsQCA一樣，對大樣本量研究和小樣本量研究都具有很好的效果[34]。因此，文章將通過fsQCA和NCA混合方法，來檢驗(yàn)是否存在影響信息披露意愿的必要條件，如果存在，在什么水平上達(dá)到影響。

2.2 問卷設(shè)計與回收

為保證研究的內(nèi)容效度，本研究所有測量題項(xiàng)均參考國內(nèi)外已有相關(guān)文獻(xiàn)，在已有研究的基礎(chǔ)上結(jié)合當(dāng)前移動醫(yī)療服務(wù)情況進(jìn)行適當(dāng)修改。問卷設(shè)計主要分為兩部分，第一部分為基本情況調(diào)查，主要統(tǒng)計被調(diào)查者的性別、年齡、常居住地等基本信息。第二部分包含對研究模型涉及的5個自變量和1個因變量的考察，其中，每個變量包含3個測量題項(xiàng)，如表1所示。問卷題項(xiàng)的測量采用李克特5級量表。

表1 問卷測量題項(xiàng)

本研究通過問卷平臺問卷星發(fā)放調(diào)查問卷，調(diào)查對象為使用過移動醫(yī)療服務(wù)的用戶，問卷發(fā)放首先通過數(shù)名擁有長期使用移動醫(yī)療服務(wù)經(jīng)歷的用戶作答，再由其推薦給身邊同樣擁有移動醫(yī)療服務(wù)經(jīng)驗(yàn)的朋友進(jìn)行作答，同時為有效問卷設(shè)置紅包獎勵，鼓勵真實(shí)填寫。經(jīng)過歷時兩周左右的問卷發(fā)放，最終共收回有效問卷135份，其中男性被調(diào)查者占比為48.9%，女性被調(diào)查者占比為51.1%，男女比例較均衡；而被調(diào)查者年齡大部分集中在18～50歲之間，符合移動醫(yī)療服務(wù)受眾人群年齡特征。學(xué)歷以受過高等教育的移動醫(yī)療服務(wù)用戶為主，本科及以上約占樣本用戶群體的80%，受過高等教育的人群更能夠根據(jù)需要處理的信息復(fù)雜程度來客觀判斷信息披露的意愿。

2.3 信效度檢驗(yàn)

為保證問卷數(shù)據(jù)的可靠性，本研究通過統(tǒng)計分析軟件SPSS和Amos對量表數(shù)據(jù)進(jìn)行信效度檢驗(yàn)，檢驗(yàn)結(jié)果如表2所示。通過Cronbach’s α系數(shù)檢驗(yàn)信度發(fā)現(xiàn)，問卷整體Cronbach’s α系數(shù)為0.808，各變量內(nèi)部Cronbach’s α系數(shù)均大于0.8，且各變量組合信度CR均大于0.7，說明問卷各變量信度較高，問卷內(nèi)部具有很好的一致性。而通過驗(yàn)證性因子分析發(fā)現(xiàn)，各變量對應(yīng)題項(xiàng)的因子載荷均大于0.5，絕大部分大于0.7，說明題項(xiàng)對所屬變量的解釋性很強(qiáng)，均可保留。此外，各變量的平均方差變異AVE值均大于0.5，說明變量具有很好的聚合效度。綜上，本研究問卷數(shù)據(jù)通過了信效度檢驗(yàn)，可以進(jìn)行下一步的數(shù)據(jù)分析。

表2 信效度檢驗(yàn)結(jié)果

2.4 變量校準(zhǔn)

由于本研究問卷數(shù)據(jù)是使用李克特5級量表所得，根據(jù)fsQCA方法的分析步驟，在進(jìn)行組態(tài)分析之前，需要對數(shù)據(jù)進(jìn)行校準(zhǔn)處理，確立3個錨點(diǎn)，即完全隸屬點(diǎn)、交叉點(diǎn)和完全不隸屬點(diǎn)。依照以往研究，本研究將3個錨點(diǎn)分別設(shè)置為各變量題項(xiàng)數(shù)據(jù)平均值的最大值、中位數(shù)以及最小值，錨點(diǎn)具體設(shè)置情況如表3所示。

表3 各變量校準(zhǔn)錨點(diǎn)

3 數(shù)據(jù)分析

3.1 必要條件分析

NCA方法在通過散點(diǎn)圖判斷前因變量是否為結(jié)果變量的必要條件的同時，還能夠分析必要條件的效應(yīng)量(即瓶頸水平)大小，揭示不同結(jié)果變量水平發(fā)生時所對應(yīng)的必要條件的水平。效應(yīng)量通常取0～1之間的某一值，0～0.1表示低等效果，0.1～0.3表示中等效果，0.3～0.5表示高等效果[33]。此外，根據(jù)Dul J等[42]最新的研究，變量是否為必要條件需要同時滿足兩個條件：效應(yīng)量d大于等于0.1且效應(yīng)量是顯著的(p≤0.05)。NCA方法通常采用上限技術(shù)繪制散點(diǎn)圖，即在沒有測量值的空白區(qū)域與具有測量值的完整區(qū)域之間繪制上限包絡(luò)線，而上限技術(shù)又分為包絡(luò)上限(Ceiling Envelopment，CE)與回歸上限(Ceiling Regression，CR)，包絡(luò)上限通常用于處理二分類變量，回歸上限則常用于處理連續(xù)或離散型變量，因此，本文采用回歸上限技術(shù)CR的方法繪制散點(diǎn)圖及統(tǒng)計相應(yīng)數(shù)據(jù)值。

通過散點(diǎn)圖可以看出，除信任這一變量散點(diǎn)圖左上方存在空白區(qū)域外，如圖2所示，其他變量均不存在(為節(jié)省篇幅僅列舉信任和隱私關(guān)注變量的散點(diǎn)圖)。

圖2 部分變量散點(diǎn)圖

在納入研究的5個前因變量中，只有信任(d=0.137且顯著)這一變量滿足必要條件的要求，介于中等效果之間，結(jié)果精確度為92.6%，而其他變量效應(yīng)量均為0，如表4所示，這表明信任是移動醫(yī)療服務(wù)用戶信息披露意愿的必要條件，感知收益、感知風(fēng)險、信息敏感性、隱私關(guān)注則不是。

表4 必要條件分析結(jié)果

由瓶頸表可知，在0～70%的信息披露意愿水平上，5個前因變量對結(jié)果變量都沒有影響。而要達(dá)到80%的信息披露意愿水平則需要22%的信任水平，如果要將水平提升到90%，則需要信任水平相應(yīng)增加到66.6%，如表5所示；信息披露意愿水平達(dá)到100%，則需要滿足100%(NA表示100)的信任水平才能實(shí)現(xiàn)。

表5 必要條件瓶頸表(CR-FDH)

在fsQCA方法中，對單一變量進(jìn)行必要性檢測，可以發(fā)現(xiàn)案例中是否存在導(dǎo)致結(jié)果發(fā)生的必要條件，從而初步確立組態(tài)中的核心條件。一般認(rèn)為，前因變量一致性大于0.9，則可認(rèn)為是結(jié)果發(fā)生的必要條件，而變量前加上～則表示不隸屬于結(jié)果變量。變量必要性檢測結(jié)果表明，不存在任一前因變量的一致性(Consistency)大于0.9，如表6所示，說明通過fsQCA方法并未發(fā)現(xiàn)存在影響移動醫(yī)療服務(wù)用戶健康信息披露意愿的必要條件。

表6 單一變量必要性檢測結(jié)果

3.2 組態(tài)分析

本研究通過軟件fsQCA3.0將案例閾值設(shè)為1，一致性閾值設(shè)為0.8，PRI一致性閾值低于0.65的案例結(jié)果標(biāo)記為0來求得真值表及進(jìn)行組態(tài)解的計算。fsQCA軟件會生成3種不同的解：復(fù)雜解、中間解和簡單解。通常將同時出現(xiàn)在中間解和簡約解中的條件定義為核心條件，將僅出現(xiàn)在中間解中的條件定義為邊緣條件。此外，在結(jié)果呈現(xiàn)形式上，使用●和?表示核心條件存在和缺失；●和?表示邊緣條件存在和缺失；空白則表示無關(guān)條件[43]。通過案例分析共得出3條影響用戶健康信息披露意愿的組態(tài)，3條組態(tài)的一致性分別為0.948、0.936、0.946，組態(tài)總體一致性為0.924，如表7所示，說明已構(gòu)成組態(tài)能夠解釋影響信息披露意愿的原因，組態(tài)效應(yīng)顯著。此外，組態(tài)總體覆蓋率為0.831，說明當(dāng)前組態(tài)能夠解釋81.7%的案例。組態(tài)結(jié)果顯示，無論在哪條組態(tài)情景下，信任都是核心條件，這與必要條件分析結(jié)果認(rèn)為信任是健康信息披露意愿產(chǎn)生的必要條件相對應(yīng)，因此，本文在信任作為必要前提條件的基礎(chǔ)上，歸納出3種影響信息披露意愿的路徑。

表7 用戶健康信息披露意愿組態(tài)

1)風(fēng)險消解型路徑，該路徑由組態(tài)1(～PR*IS*TS)構(gòu)成，覆蓋了61%的樣本案例。這條路徑下覆蓋的樣本用戶相較于其他用戶來說，對自己要披露的健康信息敏感度更高，更易感知到預(yù)期風(fēng)險，其信息披露意愿主要受自身感知風(fēng)險程度影響。以往已有研究證實(shí)，信任能夠降低用戶在使用特定服務(wù)時感知到的風(fēng)險，因?yàn)樗档土巳藗冊诓淮_定情景下所面臨的復(fù)雜性[44]，而當(dāng)人們感知到的風(fēng)險很低時，反過來又提升了其信任水平。因此，在該路徑下，當(dāng)用戶在信任的基礎(chǔ)上，同時感知到的預(yù)期風(fēng)險被消解時，即使需要披露的健康信息高度敏感，用戶也會具有很強(qiáng)的健康信息披露意愿。

2)權(quán)衡利弊型路徑，該路徑由組態(tài)2(PB*PR*TS)構(gòu)成，覆蓋了61.5%的樣本案例。該路徑下樣本用戶在使用移動醫(yī)療服務(wù)時同時感知到風(fēng)險和收益，會在風(fēng)險和收益之間權(quán)衡利弊，當(dāng)感知收益大于風(fēng)險時，用戶的信息披露意愿會隨之增強(qiáng)。這與隱私計算理論所認(rèn)為的一樣，即用戶在做信息披露決策時，實(shí)際上是在對成本和收益進(jìn)行權(quán)衡，選擇接受可承受損失以換取更大的收益[45]。而用戶使用移動醫(yī)療服務(wù)的最重要目的之一就是治療疾病，因此當(dāng)用戶感知到披露的健康信息能夠有助于痊愈時，在對醫(yī)療服務(wù)信任的基礎(chǔ)上，感知收益大于風(fēng)險，用戶會更傾向于披露信息以獲取收益。

3)利益驅(qū)動型路徑，該路徑由組態(tài)3(PB*～PC*TS)構(gòu)成，覆蓋了57.1%的樣本案例。當(dāng)該路徑下樣本用戶隱私關(guān)注水平較低時，其感知收益越高，健康信息披露意愿也就越強(qiáng)。現(xiàn)有研究針對隱私關(guān)注的結(jié)論未能統(tǒng)一，一般認(rèn)為用戶更多地關(guān)注自身隱私會降低其信息披露意愿[9]，但是隱私悖論現(xiàn)象的存在又表明隱私關(guān)注能夠正向影響信息披露意愿[46]，這些研究僅考慮單一變量對結(jié)果效應(yīng)的影響。而本研究的組態(tài)結(jié)果3證實(shí)隱私關(guān)注可能受其他變量影響導(dǎo)致結(jié)論偏差，例如用戶在使用移動醫(yī)療服務(wù)時，受利益的驅(qū)使，可能忽略或降低對隱私的關(guān)注，選擇披露更多信息。

3.3 穩(wěn)健性檢驗(yàn)

穩(wěn)健性檢驗(yàn)的方法通常有調(diào)整校準(zhǔn)閾值、調(diào)整案例頻數(shù)閾值、改變一致性閾值以及增加或減少案例等[47]。本研究通過調(diào)整案例頻數(shù)閾值的方法來進(jìn)行穩(wěn)健性檢驗(yàn)，將案例頻數(shù)閾值從1調(diào)整到2，之后組態(tài)分析結(jié)果發(fā)現(xiàn)，經(jīng)過調(diào)整之后組態(tài)總體一致性從0.924變?yōu)?.921，如表8所示，個別條件出現(xiàn)微變化，但已經(jīng)符合穩(wěn)健性檢驗(yàn)的標(biāo)準(zhǔn)，因此可以認(rèn)為本研究結(jié)果是穩(wěn)健的。

表8 穩(wěn)健性檢驗(yàn)結(jié)果

4 結(jié)論與啟示

4.1 研究結(jié)論

本研究基于精細(xì)加工可能性模型，運(yùn)用QCA和NCA混合的方法，分析了移動醫(yī)療服務(wù)用戶健康信息披露意愿影響因素的必要性程度和充分性組態(tài)類型，得到以下結(jié)論。

1)文章通過NCA方法發(fā)現(xiàn)，位于中樞路徑下的信任變量是影響用戶健康信息披露意愿的必要條件，并且通過瓶頸表分析發(fā)現(xiàn)，要達(dá)到80%的信息披露意愿水平需要22%的信任水平，90%則需要66.6%的信任水平，達(dá)到100%則需要滿足100%的信任水平。盡管根據(jù)fsQCA的變量必要性檢測分析發(fā)現(xiàn)信任并不是影響結(jié)果的必要條件，但是兩者判斷變量必要性的依據(jù)不同，根據(jù)NCA方法發(fā)現(xiàn)，當(dāng)健康信息披露意愿達(dá)到80%的水平時，信任才開始成為結(jié)果發(fā)生的必要條件；另外，組態(tài)分析結(jié)果也顯示，在3條組態(tài)中信任都是核心條件，這從一定程度上解釋了差異來源，表明兩者的結(jié)果并不沖突[48]。

2)文章通過fsQCA對中樞路徑和邊緣路徑下的影響變量進(jìn)行組態(tài)分析，得到3條影響健康信息披露意愿的組態(tài)路徑：風(fēng)險消解型路徑(～感知風(fēng)險*信息敏感性*信任)、權(quán)衡利弊型路徑(感知收益*感知風(fēng)險*信任)和利益驅(qū)動型路徑(感知收益*～隱私關(guān)注*信任)。各組態(tài)中樞路徑下變量的作用效果都要強(qiáng)于邊緣路徑，用戶在中樞路徑下進(jìn)行的信息處理往往是高度精細(xì)化的，需要投入更多的精力，因此其對用戶健康信息披露行為的影響也更深入和穩(wěn)定持久。

4.2 研究啟示

本研究通過實(shí)證分析得到的結(jié)果為后續(xù)研究提供了一些理論和實(shí)踐上的啟示。

1)理論方面，首先，不同于以往研究僅討論研究問題因果關(guān)系的充分性效應(yīng)，本研究利用NCA方法創(chuàng)新性地探討了因果之間的必要性效應(yīng)，認(rèn)為信任是用戶產(chǎn)生健康信息披露意愿的必要條件，有利于揭示用戶健康信息披露行為機(jī)理，同時也為相關(guān)領(lǐng)域?qū)W者討論研究問題因果關(guān)系提供新的方法思路；其次，本研究基于精細(xì)加工可能性模型，根據(jù)信息處理的精力投入程度不同，將前因變量分別納入中樞路徑和邊緣路徑進(jìn)行討論，發(fā)現(xiàn)并不僅是單一路徑在產(chǎn)生影響效應(yīng)，用戶在進(jìn)行復(fù)雜信息處理時也可能同時受到簡單的信息線索影響而做出信息披露決策；第三，利用fsQCA方法從組合效應(yīng)視角對隱私計算理論和“隱私悖論”進(jìn)行了佐證與解釋，本文通過fsQCA方法得出的權(quán)衡利弊型路徑佐證了隱私計算理論的觀點(diǎn)，即用戶做出隱私?jīng)Q策是基于利益與風(fēng)險的權(quán)衡，不同的是，本文認(rèn)為信任是隱私計算理論可行的必要基礎(chǔ)。此外，以往關(guān)于“隱私悖論”的研究只是從隱私關(guān)注對隱私披露意愿的正負(fù)影響方面進(jìn)行探究，而本研究經(jīng)過實(shí)證發(fā)現(xiàn)，隱私關(guān)注在對披露意愿產(chǎn)生影響時，可能受其他因素如感知收益的影響使得其影響方向產(chǎn)生改變，導(dǎo)致“隱私悖論”現(xiàn)象的產(chǎn)生；最后，通過fsQCA方法考慮中樞和邊緣兩條路徑交叉產(chǎn)生的變量組合效應(yīng)，彌補(bǔ)了傳統(tǒng)回歸分析或結(jié)構(gòu)方程模型只能探究單一變量效應(yīng)的缺陷，為后續(xù)研究提供了一定參考。

2)實(shí)踐方面，首先，移動醫(yī)療服務(wù)平臺必須明確，信任是影響用戶健康信息披露意愿的必要條件，信任是用戶與平臺進(jìn)行交互的基礎(chǔ)，平臺應(yīng)當(dāng)將贏取用戶信任作為首要目標(biāo)，例如將獲取與使用用戶健康信息的過程透明公開，給予用戶更大的信息知情權(quán)；其次，平臺應(yīng)考慮建立適當(dāng)?shù)莫剟顧C(jī)制，增加系統(tǒng)反饋，鼓勵用戶尋求個性化服務(wù)，以增強(qiáng)用戶感知收益。此外，由于健康信息普遍具有高度敏感的特性，平臺可以利用健康信息科普等方式，使用戶對健康信息有更深入的了解，理性看待健康信息披露；最后，平臺應(yīng)當(dāng)盡力降低用戶隱私擔(dān)憂與風(fēng)險，可考慮改進(jìn)隱私策略，在開放和透明的基礎(chǔ)上提高其應(yīng)用程序的可讀性、簡潔性和人性化，降低用戶處理信息的復(fù)雜度。與此同時提供更廣泛的服務(wù)功能設(shè)置權(quán)限，更全面地覆蓋用戶的隱私控制需求。

5 不足與展望

本研究存在以下不足。首先，在樣本數(shù)據(jù)的選取上沒能較好地保證樣本數(shù)據(jù)在人口統(tǒng)計學(xué)上的平均分配，如研究樣本覆蓋學(xué)歷層次過高，這可能由取樣過程中部分樣本來源集中導(dǎo)致，未來需要克服樣本的局限性；其次，文章在研究變量的選擇上可以更為豐富一些，未來可以討論更多變量的影響效應(yīng)；最后，本研究僅僅探究了健康信息披露意愿而未涉及實(shí)際信息披露行為的討論，盡管意愿已被證實(shí)是行為的一個強(qiáng)有力的預(yù)測指標(biāo)[49]，并且普遍被用作隱私問題研究中行為的指代，因此未來將進(jìn)一步討論健康信息披露意愿和行為之間的關(guān)系。