一、描述统计分析
本节主要针对移动政务使用者的人口特性和使用行为进行描述性统计，并进行概览性的分析和解释，以了解移动政务公众使用者在人口变量上的分布，以及使用政府网站频率和对移动政务的知晓度。
（一）个人基本信息统计分析
本书描述性统计分析的主要目的是分析样本资料的分布情况，以便对样本的基本分布情况进行初步的了解。本书一共收到问卷1 200份，其中有效问卷为1 023份。
在有效问卷中，男性占了513份，所占比例为50．1%；女性占了510份，所占比例为49．9%。从样本可以看出，男女基本各占总样本的一半。婚姻状况方面，已婚占了547份，比例为53．5%；未婚占了476份，比例为46．5%。
年龄方面，20岁以下的人占了0．5%，20—29岁的人占了52%，30—39岁的人占了35．7%，40—49岁的人占了6．6%，50—59岁的人占了4%，而60岁以上的人仅占1．2%。样本中以20—39岁的中青年群体为主，共占了总样本的87．7%。
教育程度方面，比例最高的是大学本科及以上，占71．4%，其次是大专学历，占20．2%，高中或中专学历人数共占6．5%，初中和小学所占比例最少，分别为1．8%和0．1%。
收入方面，月收入主要集中在3 001—8 000元，共占样本总数的53%，1 000元以下的有7%，1 000—2 000元的占3．7%，2 001—3 000元的占13．2%，8 001—10 000元的占11．3%，10 000元以上的占11．7%。
职业方面，样本中企业公司员工所占比例最高，达到48．7%，其次为党政机关工作人员，占17．2%，专业技术人员和在校学生所占比例分别为12．4%和9．8%，其余职业也有部分样本群体，但所占比例不高。详细情况见表5．10所示。
表5．10 调查对象的个人信息统计
（续表）
（二）使用经验统计分析
除了个人基本信息外，本书还调查了个人使用网络的经验、上网次数、登录政府网站频率等方面。在使用网络经验方面，大部分人都有8年以上的使用经验，所占比例为60．2%；上网次数为每天几次的人最多，所占比例为82．7%；而登录政府网站频率则较低，少于每月一次的人占24．8%，绝少／从不登录政府网站的人占15．8%，另外有23．9%的人对登录政府网站表示不知道或很难说。
关于如果去政府办理某项业务，是否会考虑到政府门户网站查询办事流程，90%的人表示会考虑。而对移动政务的了解程度，56．3%的人从没听说过，听说过但不是很清楚的占39．6%，知道并且清楚的人仅占4．1%。这说明移动政务对大部分群体用户而言还很陌生，政府部门没有做好足够的宣传让公众了解，因此移动政务的知晓度非常低。
表5．11 网络使用经验统计
（三）研究变量统计分析
本书问卷的第二部分，主要探讨影响移动政务公众使用者的因素和使用意向的13个变量，都采用李克特七点尺度量表。所以，本部分介绍各变量的平均数、标准差等描述性统计量的得分情形。由表5．12可知，各变量平均数介于4—6之间，有集中偏高的趋势。其中文化调节变量中的不确定性规避所得的平均分数5．64为最高，显示出使用者对风险规避是比较重视的；而自变量中的使用者自我效能所得平均分数为5．57，显示出使用者对移动政务使用技能和知识方面的信心。另外，在标准差部分，文化变量中的个体主义／集体主义、权力距离、阳刚气质／阴柔气质三个变量相对较大，表明样本群体对其重要性看法的不一致。
表5．12 研究变量描述统计
二、测量模型
本书以验证性因子分析（CFA）检验本书的理论模型，包含信度、内容效度、聚敛效度、区别效度以及模型适配度检验。
（一）验证性因子分析
在因子的个数决定上，本书以因子载荷系数大于0．7为评估标准，如果测量题项的因子载荷系数值未达到建议值，则说明不具有代表性，应予以删除（Hair et al．，1998）。以测量模型验证各题项因子载荷系数，发现因变量使用意向、文化调节变量权力距离和长期导向／短期导向三个变量都有题项因子载荷系数低于0．7的情况，因此删除数值较差的题项。
在UTAUT模型各变量中，绩效期望共有四道测量题项，第一道到第四道测量题项的因子载荷系数分别为0．84、0．87、0．87和0．84，各题项因子载荷系数均大于建议值0．7，因此不删除任何题项，如表5．13所示。
表5．13 绩效期望各题项的因子载荷系数
努力期望共有四道测量题项，第一道到第四道测量题项的因子载荷系数分别为0．78、0．78、0．77和0．77，各题项因子载荷系数均大于建议值0．7，因此不删除任何题项，如表5．14所示。
表5．14 努力期望各题项的因子载荷系数
社会影响有三道测量题项，第一道到第三道测量题项的因子载荷系数分别为0．92、0．95和0．85，各题项因子载荷系数均大于建议值0．7，因此不删除任何题项，如表5．15所示。
表5．15 社会影响各题项的因子载荷系数
在使用意向的三个测量题项中，第三道测量题项的因子载荷字数小于建议值0．7，删除第三个题项后，其余两题的因子载荷系数值分别为0．82和0．84，都达到标准建议值（如表5．16）。
表5．16 使用意向各题项的因子载荷系数
自我效能共有四道测量题项，第一道到第四道测量题项的因子载荷系数分别为0．77、0．91、0．91和0．83，各题项因子载荷系数均大于建议值0．7，因此不删除任何题项，如表5．17所示。
表5．17 自我效能各题项的因子载荷系数
用户满意也有四道测量题项，第一道到第四道测量题项的因子载荷系数分别为0．85、0．89、0．96和0．93，各题项因子载荷系数均大于建议值0．7，因此不删除任何题项，如表5．18所示。
表5．18 用户满意各题项的因子载荷系数
在影响公众使用移动政务的信任因素中，信任网络、信任政府和对移动政务的感知信任各测量题项都大于建议值0．7，显示出较好的内部一致性，不需要删除任何题项，信任因素各变量各题项的因子载荷系数具体见表5．19所示。
表5．19 信任因素各变量各题项的因子载荷系数
（续表）
在影响公众接受移动政务服务的因素中，服务质量是比较关键的因素，本书评估移动政务服务质量的维度共有5个，分别为效率、系统可获得性、易用性、信息质量和隐私安全。各变量的测量题项的因子载荷系数也大于建议值0．7，因此也不需要删除任何题项，各变量题项的因子载荷系数见表5．20所示。
表5．20 服务质量各变量各题项的因子载荷系数
（续表）
在文化调节变量中，个体主义／集体主义共有五道测量题项，第五道测量题项的因子载荷系数小于建议值0．7，删除第五个题项后，其余四题的因子载荷系数值分别为0．91、0．92、0．90和0．88，都达到标准建议值（如表5．21）。
表5．21 个体主义／集体主义各题项的因子载荷系数
在文化调节变量中，权力距离共有五道测量题项，第二道测量题项的因子载荷系数小于建议值0．7，删除第二道题项后，其余四题的因子载荷系数值分别为0．80、0．94、0．95和0．87，都达到标准建议值（如表5．22）。
表5．22 权力距离各题项的因子载荷系数
阳刚气质／阴柔气质有四道测量题项，第一道到第四道测量题项的因子载荷系数分别为0．81、0．85、0．81和0．73，各题项因子载荷系数均大于建议值0．7，因此不删除任何题项，如表5．23所示。
表5．23 阳刚气质／阴柔气质各题项的因子载荷系数
文化调节变量中长期导向／短期导向有多道题项的因子载荷系数值都小于建议值（如表5．24），这显示出该变量测量的不稳定性。实际上，以往很多研究都指出该变量测量存在问题，经综合考虑，本书将该变量整体予以剔除。
表5．24 长期导向／短期导向各题项的因子载荷系数
（二）信度分析
在信度分析上，Cronbachα系数值和潜变量的组合信度（Composite Reliability）都是用来检验变量内部一致性的方式。Cronbachα系数值是一种常用的检验信度的分析方法，一般学者认为Cronbachα系数值小于0．6以下时，则信度偏低，Cronbachα系数值至少要大于0．7，才具有可信度，当Cronbachα系数值为0．8—0．9时较为理想，代表高信度（Nunnally，1978）。如果潜变量CR值越高，则测量变量具有高度相关，内部一致性也越高，代表题项可以有效测量潜在变量，则该变量具有可信度。CR值也需要大于0．7，才能说明测量的变量具有高可信度，Fornell和Larcker（1981）则建议CR值为0．8以上。因此，本书变量需高于Cronbachα系数值和CR值的建议值，才表明具有良好的内部一致性。[7]
如表5．25所示，在UTAUT模型中，绩效期望的Cronbachα系数值和CR值分别为0．92和0．92，努力期望的Cronbachα系数值和CR值分别为0．87和0．86，社会影响的Cronbachα系数值和CR值分别为0．93和0．93，使用意向的Cronbachα系数值和CR值分别为0．83和0．82。UTAUT模型中所有变量的Cronbachα系数值和CR值都大于建议值0．7，实际值都大于0．8，显示出较好的内部一致性。
信任网络的Cronbachα系数值和CR值分别为0．91和0．91，信任政府的Cronbachα系数值和CR值分别为0．96和0．96，感知信任变量的Cronbachα系数值和CR值分别为0．95和0．95。所以，在影响公众使用移动政务的信任因素中，各信任变量的Cronbachα系数值和CR值都大于0．9，具有非常好的内部一致性。
在服务质量维度中，效率的Cronbachα系数值和CR值分别为0．88和0．88，系统可获得性的Cronbachα系数值和CR值分别为0．90和0．91，易用性的Cronbachα系数值和CR值分别为0．87和0．87，信息质量的Cronbachα系数值和CR值分别为0．93和0．93，安全隐私的Cronbachα系数值和CR值分别为0．93和0．94。因此，移动政务服务质量各维度Cronbachα系数值和CR值都大于0．80，也有较好的内部一致性。
文化调节变量中，不确定规避的Cronbachα系数值和CR值分别为0．89和0．89，个体主义／集体主义的Cronbachα系数值和CR值分别为0．95和0．95，权力距离的Cronbachα系数值和CR值分别为0．94和0．94，阳刚气质／阴柔气质的Cronbachα系数值和CR值分别为0．88和0．88。各文化调节变量的Cronbachα系数值和CR值都大于0．8，显示出较好的内部一致性。
另外，自我效能的Cronbachα系数值和CR值分别为0．92和0．92，用户满意的Cronbachα系数值和CR值分别为0．96和0．95。也显示出较好的内部一致性。综合以上所述，本书所有变量的Cronbachα系数值和CR值都大于建议值0．7，根据以往学者的建议，本书各变量具有较好的内部一致性。
（三）内容效度
内容效度也称表面效度或逻辑效度，是指测量目标与测量内容之间的适合性与相符性。一个测量要具备较好的内容效度必须满足两个条件：一是确定内容范围，并使测量的全部项目均在此范围内。二是测量项目应是已界定了内容范围的代表性样本。换句话说，就是选出的项目能包含所测内容范围的主要方面，并且使各部分项目所占比例适当。
检验内容效度就是检验由概念到指标的经验推演是否符合逻辑和有效。按照Straub[8]的观点，保证测量工具内容效度的最好办法就是请熟悉该领域的专家对量表进行反复评价，直到取得最后的一致。此外，为了建立具有内容效度的问卷，研究者必须依循理论架构，搜集所有相关的问题与变量，并从中选择能够完整涵盖所界定的研究范围的问题，如此才能使研究工具具备充分的内容效度。
本书通过第二章大量的文献回顾和第四章的理论开发过程，建立了比较严谨的理论研究框架。本书调查问卷的设计不仅借鉴了经典文献中的成熟量表，还经过了一些相关使用移动政务用户的反复评价和修改，在本书的模型中，变量中的测量题项均以国内外相关研究为理论基础，并根据本书的具体语境进行修订处理后使用。因此本书使用的量表符合内容效度的准则，所以本书具有内容效度。
（四）聚敛效度
聚敛效度又称收敛效度，是指测量同一变量的多重指标彼此间的聚合程度或关联程度。本书以平均变异萃取率（AVE）和组合信度（CR）作为评估聚敛效度的依据。AVE值是计算潜在变量对各测量题项的变异解释力，如果各变量对应的AVE值达到0．5以上，则可以认为该变量具有收敛效度（Fornell and Larcker，1981），如果AVE值越高，则表示潜在变量有越高的信度和收敛效度。各变量及其测量题项的CR值和AVE值高于建议值，则表示潜在变量具有良好的收敛效度。
根据Fornell和Larcker（1981）评估收敛效度的标准共有三项：（1）所有的标准化题项载荷要大于0．5；（2）组合信度值要大于0．8；（3）平均变异萃取量（AVE）要大于0．5。[9]本书使用CFA分析方法，结果见表5．25。在标准化题项负载方面，其数值介于0．70至0．96，都大于0．5；在组合信度方面，其数值是介于0．83至0．96；在平均变异萃取量方面，其数值介于0．60至0．83之间。表示各个题项均可被因素所解释，亦即各题项收敛于该维度，表示测量题项均收敛于相对应的变量，因此具有一定的收敛效度。
表5．25 各研究变量信度和效度检验
（续表）
（续表）
（续表）
注：长期导向／短期导向因子载荷系数过低被删除。
（五）区别效度
所谓区别效度是指研究模型中彼此两个变量的差异程度。两个变量之间的区别效度检验方法，是分别找出未限制模型和限制模型两者χ2的差异。而未限制模型与限制模型之间的主要差异是，后者要限制两个潜在变量之间的相关系数为1，重新估计后产生一个新的χ2值。如果两者卡方值差距越大，表示这两个变量之间的区别效度越大。决定此区别效度是否显著的方法是将此未限制模型与限制模型的卡方值相减，再除以未限制模型与限制模型的自由度相减，如果所得的值大于3．84（p-value＝0．05），则表示区别效度显著。
表5.26 区别效度检验
注：所有变量都在0.01水平上显著相关；对角线的数值为AVE的平方根。
在本书中区别效度检测方面，我们根据Fornell和Larcker的研究建议，若因子间的相关系数小于因子AVE的平方根，则表示测量模型具有良好的区别效度。表5．26显示，数据结果全部符合相关系数小于因子AVE的平方根。
三、假设检验
（一）路径分析
本书依据理论基础建立概念模型，采用LISREL 8．80软件对调查数据进行结构方程模型分析，主要目的是为验证各变量之间的关系。为了验证模型的研究假设，首先需要根据许多学者的建议对结构模型的拟合指标进行判定。该方面的拟合度衡量有许多指标，较广为使用的是X 2统计量，然而X 2检定的缺点是其显著性易受样本规模和模型中变量数量的影响[10]，因此可能会提供不合适的拟合指标。除了X 2统计量之外，还有许多学者提出不同的拟合指标，Hair等将其分为三种类型：绝对拟合度指标、增值拟合度指标和简要拟合度指标。[11]绝对拟合指标是评定假设模型的共变量矩阵与观察资料的样本共变量矩阵的接近程度。常用的指标有：X 2／d f，GFI，RMSEA。增值拟合指标是由比较理论理论模型与独立模型而来，数值表示理论模型与独立模型比较下增加配合度的程度。常用的指标有：AGFI、NFI、RFI、IFI、CFI。简要拟合指标是调整拟合度的衡量，能比较含有不同估计变量数目的模式，以决定每一估计系数所能获取的配合程度。常用的指标有：PNFI、PCFI、PGFI。
本书采用各指标的理想建议值，根据以下学者的建议：Bollen（1990）[12]认为X 2／d f小于5可认为有良好的拟合度。Gefen（2000）[13]和Hair等（2006）建议，如果GFI、NFI、RFI、IFI、CFI数值大于0．9，AGFI大于0．8，则被认为是可以接受的拟合指标。Jarvenpaa等（2000）认为RMSEA指标的理想值应小于0．08。[14]模型拟合指标如表5．27所示。
从概念模型的绝对拟合指标来看（见表5．27），GFI为0．89，虽没有大于0．9，但根据具体研究情况也是可以接受的；RMSEA为0．061，也小于最高上限0．08；从增值拟合指标来看，AGFI为0．81，大于0．8；CFI等其他指标都大于0．9，说明整体上模型拟合得较好。
表5．27 结构模型拟合指标
路径系数和假设结果如表5．28所示。总体上来看，18个假设中有17个得到数据支持，只有一个假设未得以验证。
表5．28 模型检验结果
（续表）
***P＜0．001；**P＜0．01；*P＜0．05。
1．UTAUT变量的相关假设检验
H1：用户的绩效期望将显著影响其使用移动政务意向。
通过结构方程的路径分析数据可知，概念模型中绩效期望与使用意向的路径系数为0．19，t值为4．06，在0．001上达到显著水平，假设H1成立。
H2：用户的努力期望将显著影响其使用移动政务意向。
通过结构方程的路径分析数据可知，概念模型中努力期望与使用意向的路径系数为0．10，t值为2．04，在0．05上达到显著水平，假设H2成立。
H3：用户的努力期望将显著影响其对移动政务的绩效期望。
通过结构方程的路径分析数据可知，概念模型中努力期望与绩效期望的路径系数为0．75，t值为16．09，在0．001上达到显著水平，假设H3成立。
H4：社会影响将显著影响用户使用移动政务意向。
通过结构方程的路径分析数据可知，概念模型中社会影响与使用意向的路径系数为0．37，t值为11．54，在0．001上达到显著水平，假设H4成立。
2．信任变量的相关假设检验
H5：对移动政务的感知信任显著影响用户对移动政务的绩效期望。
通过结构方程的路径分析数据可知，概念模型中对移动政务的感知信任与对移动政务的绩效期望的路径系数为0．06，t值为1．97，在0．05上达到显著水平，假设H5成立。
H6：对移动政务的感知信任显著影响用户对移动政务的努力期望。
通过结构方程的路径分析数据可知，概念模型中对移动政务的感知信任与对移动政务的努力期望的路径系数为0．37，t值为11．38，在0．001上达到显著水平，假设H6成立。
H7：对移动政务的感知信任显著影响用户对移动政务的使用意向。
通过结构方程的路径分析数据可知，概念模型中对移动政务的感知信任与使用意向的路径系数为0．17，t值为5．05，在0．001上达到显著水平，假设H6成立。
H7a：对网络的信任显著影响用户对移动政务的感知信任。
通过结构方程的路径分析数据可知，概念模型中对网络的信任与对移动政务的感知信任的路径系数为0．38，t值为9．83，在0．001上达到显著水平，假设H6成立。
H7b：对政府的信任显著影响用户对移动政务的感知信任。
通过结构方程的路径分析数据可知，概念模型中对政府的信任与对移动政务的感知信任的路径系数为0．40，t值为10．17，在0．001上达到显著水平，假设H6成立。
3．自我效能变量的相关假设检验
H8：用户的IT自我效能将显著影响其对移动政务的绩效期望。
通过结构方程的路径分析数据可知，概念模型中IT自我效能与对移动政务的绩效期望的路径系数为0．06，t值为1．68，在0．05上未达到显著水平，假设H6不成立。
H9：用户的IT自我效能将显著影响用户对移动政务的努力期望。
通过结构方程的路径分析数据可知，概念模型中IT自我效能与对移动政务的努力期望的路径系数为0．43，t值为12．62，在0．001上达到显著水平，假设H6成立。
H10：用户的IT自我效能将显著影响用户对移动政务的感知信任。
通过结构方程的路径分析数据可知，概念模型中的IT自我效能与对移动政务的感知信任的路径系数为0．12，t值为4．81，在0．001上达到显著水平，假设H6成立。
4．服务质量维度的相关假设检验
H11：用户对移动政务服务的满意度对其使用意向产生显著影响。
通过结构方程的路径分析数据可知，概念模型中对移动政务的满意度与使用意向的路径系数为0．24，t值为8．10，在0．001上达到显著水平，假设H6成立。
H11a：移动政务服务质量中的效率会对用户满意产生显著影响。
通过结构方程的路径分析数据可知，移动政务服务质量中的效率与用户满意的路径系数为0．37，t值为6．12，在0．001上达到显著水平，假设H6成立。
H11b：移动政务服务质量中的信息质量会对用户满意产生显著影响。
通过结构方程的路径分析数据可知，移动政务服务质量中的信息质量与用户满意的路径系数为0．28，t值为4．96，在0．001上达到显著水平，假设H6成立。
H11c：移动政务服务质量中的易用性会对用户满意产生显著影响。
通过结构方程的路径分析数据可知，移动政务服务质量中的易用性与用户满意的路径系数为0．14，t值为2．57，在0．05上达到显著水平，假设H6成立。
H11d：移动政务服务质量中的系统可获得性会对用户满意产生显著影响。
通过结构方程的路径分析可知，移动政务服务质量中的系统可获得性与用户满意的路径系数为0．11，t值为1．99，在0．05上达到显著水平，假设H6成立。
H11e：移动政务服务质量中的隐私安全会对用户满意产生显著影响。
通过结构方程的路径分析数据可知，移动政务服务质量中的隐私安全与用户满意的路径系数为0．11，t值为2．28，在0．05上达到显著水平，假设H6成立。
（二）调节效应检验
调节变量是一个很重要的统计概念，如果变量Y与变量X的关系是变量M的函数，则称M为调节变量。即Y与X的关系受到第三个变量M的影响，M能够影响到X与Y之间关系的方向（正负）或强弱。
为了分析调节因素的作用，本书首先对模型中涉及的所有变量进行中心化处理。由于本书模型较为复杂，同时增加多条路径系数可能导致模型拟合较差，且无法揭示出每一个交互效应对模型的整体贡献，因此本书采取逐一审查各个交互项的办法。交互项即为自变量与调节变量之积。
本书共有四个调节变量（阳刚气质／阴柔气质、集体主义／个体主义、权力距离和不确定规避）。首先我们以阳刚气质／阴柔气质对绩效期望和使用意向的关系起调节效应为例，具体阐述如何做调节分析。在这个关系模式中，因变量是行为意向，自变量是绩效期望，而调节变量是阳刚气质／阴柔气质。根据以往学者的建议，第一步做使用意向（因变量）对绩效期望（自变量）和阳刚气质／阴柔气质（调节变量）的回归，得到测定系数。第二步做使用意向（因变量）对绩效期望（自变量）、阳刚气质／阴柔气质（调节变量）和绩效期望*阳刚气质／阴柔气质（交互项）的回归，得到测定系数。如果R2显著高于R1，则说明调节效应显著。用数学公式表示如下：
如果β23不等于0，且R 22＞R 21，则可以认为调节效应存在。
根据以上检验调节效应的方法，分别对阳刚气质／阴柔气质、个体主义／集体主义、权力距离和不确定规避的调节效应进行检验。八个调节假设有五个不成立，只有三个假设得以成立。具体结果如表5．29所示。
1．阳刚气质／阴柔气质的影响
H1a：绩效期望与使用意向之间的关系受到阳刚气质／阴柔气质的调节作用，对具有阳刚气质文化价值观的用户来说，绩效期望对使用意向的影响作用更强。
本书的数据分析结果表明，绩效期望*阳刚气质／阴柔气质（β＝－0．048，P＜0．05，t＝－2．337），阳刚气质／阴柔气质在P＜0．05的条件下调节着绩效期望和使用意向之间的关系。但出乎意料的是，绩效期望对使用意向的影响对阳刚气质的人来说没有增强反而减弱了，这与假设相反。因此假设H1a不成立。
H2a：努力期望与使用意向之间的关系受到阳刚气质／阴柔气质的调节作用，对具有阴柔气质文化价值观的用户来说，努力期望对使用意向的影响作用更强。
本书的数据分析结果表明，努力期望*阳刚气质／阴柔气质（β＝－0．048，P＜0．05，t＝－2．257），阳刚气质／阴柔气质在P＜0．05的条件下调节着努力期望和使用意向之间的关系。这意味着努力期望对使用意向的影响对阳刚气质的人来说减弱了，也即对阴柔气质的人增强了，因此假设H2a得到数据支持。
H4a：社会影响与使用之间的关系受到阳刚气质／阴柔气质的调节作用，对具有阴柔气质文化价值观的用户来说，社会影响对使用意向的影响作用更强。
本书的数据分析结果表明，社会影响*阳刚气质／阴柔气质（β＝－0．029，P＞0．05，t＝－1．956）。阳刚气质／阴柔气质在社会影响和使用意向之间的关系中并未起到调节作用，因此假设H4a不成立。
2．权力距离的影响
H4c：社会影响与使用意向之间的关系受到权力距离的调节作用，对具有高权力距离文化价值观的用户来说，社会影响对使用意向的影响作用更强。
本书的数据分析结果表明，社会影响*权力距离（β＝－0．023，P＞0．05，t＝－1．455），权力距离并没有调节社会影响和行为意向之间的关系，因此假设H4c未得到验证。
3．个体主义／集体主义的影响
H4b：社会影响与使用意向之间的关系受到个人主义／集体主义的调节作用，对具有集体主义文化价值观的用户来说，社会影响对使用意向的影响作用更强。
本书的数据分析结果表明，社会影响*个体主义／集体主义（β＝0．037，P＜0．05，t＝2．062），个体主义／集体主义在P＜0．05的条件下调节着社会影响和使用意向之间的关系，因此假设H4b也得到验证。
4．不确定性规避的影响
H1d：绩效期望与使用意向之间的关系受到不确定性规避的调节作用，对具有高不确定性规避文化价值观的用户来说，绩效期望对使用意向的影响作用更强。
本书的数据分析结果表明，绩效期望*不确定性规避（β＝0．012，P＞0．05，t＝0．4），不确定性规避对绩效期望和使用意向之间的关系没有调节影响，因此假设H1d未得到数据支持。
H2d：努力期望与使用意向之间的关系受到不确定性规避的调节作用，对具有高不确定性规避文化价值观的用户来说，努力期望对使用意向的影响作用更强。
本书的数据分析结果表明，努力期望*不确定性规避（β＝－0．037，P＞0．05，t＝－1．217），不确定性规避对努力期望和使用意向之间的关系没有调节影响，因此假设H2d未得到数据支持。
H4d：社会影响与使用意向之间的关系受到不确定性规避的调节作用，对具有高不确定性规避文化价值观的用户来说，社会影响对使用意向的影响作用更强。
本书的数据分析结果表明，社会影响*不确定性规避（β＝－0．052，P＞0．05，t＝－1．991），不确定规避在P＜0．05的条件下调节着绩效期望和使用意向之间的关系，因此假设H4d得到数据支持。
表5．29 调节变量检验结果
【注释】
[1]Bryman，A．，Bell，E．，Business research methods，Oxford University Press，2007．
[2]季绍波等：《中国信息系统（IS）研究现状和国际比较》，《管理科学学报》第2006年第2期，第76—85页。
[3]Churchill，Jr．G．A．，Iacobucci，D．，Marketing research：methodological foundations，Cengage Learning，2009．
[4]Dorfman，P．W．，Howell，J．P．，Dimensions of national culture and effective leadership patterns：Hofstede revised，Advances in international comparative management，1988，3：127-150．
[5]Dorfman，P．W．，Howell，J．P．，Dimensions of national culture and effective leadership patterns：Hofstede revised，Advances in international comparative management，1988，3：127-150．
[6]中国互联网络信息中心：《第34次中国互联网络发展状况统计报告》，2014年7月21日，http：／／www．cnnic．net．cn／hlwfzyj／hlwxzbg／。
[7]Fornell，C．，and Larcker，D．F．，Evaluating structural equation models with unobservable variables and measurement error，Journal of Marketing Research，1981，18（1）：39-50．
[8]Straub，D．W．，Validating instruments in MIS research，MIS quarterly，1989，13（2）：147-169．
[9]Fornell，C．，and Larcker，D．F．，Evaluating structural equation models with unobservable variables and measurement error，Journal of Marketing Research，1981，18（1）：39-50．
[10]Bentler，P．M．，Bonett，D．G．，Significance tests and goodness of fit in the analysis of covariance structures，Psychological bulletin，1980，88（3）：588．
[11]Hair，J．F．，Tatham，R．L．，Anderson，R．E．，et al．，Multivariate data analysis，NJ：Pearson Prentice Hall，2006．
[12]Bollen，K．A．，Overall fit in covariance structure models：Two types of sample size effects，Psychological Bulletin，1990，107（2）：256．
[13]Gefen，D．，E-commerce：the role of familiarity and trust，Omega，2000，28（6）：725-737．
[14]Jarvenpaa，S．L．，Tractinsky，N．，Vitale，M．，Consumer trust in an Internet store，Information Technology and Management，2000，1（1）：45-71．
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
